pháp hiệu chỉnh
Themeßl và CS (2011) đã sử dụng chuỗi số liệu tái phân tích ERA-40 từ mô hình khí hậu khu vực MM5, miền tính bao phủ toàn nước Úc, độ phân giải mô hình từ 10km đến quy mô trạm để tính toán trung vị và một số cực trị khí hậu [107]. Các tác giả sử dụng chỉ số Bias để đánh giá mưa với khoảng thời gian tính toán 11 năm (1981-1990, 1999). Kết luận cho thấy các bản đồ phân vị chỉ ra khá tốt, đặc biệt là các phân vị trên. Durman và CS (2001) [48] đánh giá kỹ năng mô phỏng lượng mưa ngày cho khu vực châu Âu dựa trên mô hình HadCM2 GCM và chỉ ra các mô hình GCM có khả năng mô phỏng tốt các hiện tượng mưa ngày cho ngưỡng nhỏ hơn 15mm và ở các ngưỡng lớn hơn, kết quả mô phỏng chưa thực sự được tốt.
Berg và CS (2012) sử dụng mô hình khí hậu khu vực COSMO-CLM với độ phân giải từ 7km đến quy mô các điểm quan trắc (1km), miền tính bao phủ nước Đức và các khu vực xung quanh [35]. Dữ liệu trong 30 năm (1971-2000) được sử dụng để đánh giá việc hiệu chỉnh các biến mưa và nhiệt độ. Kết quả cho thấy phương pháp hiệu chỉnh không những cao hơn trung bình mà còn cao hơn hiện tại và với khoảng thời gian dùng để hiệu chỉnh trong 30 năm đòi hỏi xấp xỉ bằng một hàm phân bố phù hợp vì vậy khi áp dụng số liệu mới cần thiết phải sử dụng hàm chuyển.
Teutschbein và Selibert (2012, 2013) [105,106] đã kết hợp 11 mô hình khu vực với các mô hình toàn cầu khác nhau và mô phỏng dòng chảy bởi các mô hình
thủy văn để tính toán trung bình, độ lệch chuẩn và các phân vị 10, phân vị 90 đối với nhiệt độ ngày trong suốt mùa hè và mùa đông; phân vị 90, xác suất những ngày ẩm và cường độ trung bình những ngày ẩm trong suốt mùa hè và mùa đông đối với mưa. Độ phân giải mô hình từ 25km đến quy mô lưu vực. Các tác giả sử dụng số liệu trong 40 năm (1961-1990) để hiệu chỉnh và tính toán những ngày đầu phân chia các năm ấm/lạnh và các năm khô/ướt. Phương pháp đánh giá được các tác giả sử dụng gồm MAE với nhiệt độ và CDFs với mưa. Kết quả cho thấy bản đồ phân bố tốt nhất cho cả dự tính khí hậu và khả năng tác động đến các chu trình thủy văn, đặc biệt trong việc mô phỏng cực trị thủy văn. Các bản đồ phân bố cũng chỉ ra khá tốt đến sự dịch chuyển trong các điều kiện biến đổi khí hậu.
Gudmundsson và CS (2012) sử dụng phương pháp MAE để hiệu chỉnh mưa trong đó sử dụng mô hình HIRHAM với số liệu tái phân tích ERA40 trong 41 năm (1960)-2000), độ phân giải mô hình từ 25km đến quy mô trạm, miền tính bao phủ Na Uy và Bắc Âu [55]. Kết quả thấy khi không tham số hóa chỉ ra tốt nhất trong việc làm giảm sai số hệ thống theo đó sự thay đổi các tham số cho thấy hàm phân bố hình thành với dải thấp nhất.
Lafon và CS (2013) sử dụng mô hình HadRM3-PPE-UL, độ phân giải từ 25km đến quy mô lưu vực với GCM (HadCM3) để tính toán trung bình, độ lệch chuẩn, hệ số biến thiên và độ nhọn trong việc đánh giá mưa từ. Số liệu sử dụng trong 40 năm (1961-2000) [77]. Kết quả cho thấy cả số liệu mưa mô hình và quan trắc có thể xấp xỉ bằng hàm phân bố gamma thông qua kết hợp các bản đồ phân vị, ngược lại các phương pháp phi tuyến lại cho hiệu quả hơn trong việc giảm sai số. Các bản đồ phân vị thực nghiệm có thể cho độ chính xác cao nhưng các kết quả cũng rất nhạy với việc lựa chọn thời gian hiệu chỉnh.
Chen và CS (2013) sử dụng mô hình CRCM, HRM3, RCM3 và WRFG với số liệu phân tích của NCEP để dự tính mưa và mô phỏng trong thủy văn [42]. Độ phân giải mô hình từ 50 km đến quy mô lưu vực, số liệu sử dụng trong 20 năm (1981- 2000). Các biến sử dụng tính toán gồm trung bình, độ lệch chuẩn và phân vị 95 đối
với mưa trong những ngày ẩm. Phương pháp đánh giá gồm MAE, RMSE. Kết quả cho thấy việc hiệu chỉnh sai số phụ thuộc vào các vị trí khác nhau.
Gutjahr và Helnemann (2013) sử dụng mô hình COSMO-CLIM và GCM (ECHAM5) với độ phân giải từ 4.5km đến quy mô trạm, miền tính bao phủ nước Đức và các khu vực lân cận, số liệu 10 năm (1991-2000) được sử dụng để để đánh giá mưa và nhiệt độ [56]. Phương pháp đánh giá MAE được các tác giả sử dụng. Kết quả cho thấy phương pháp thực nghiệm cho kết quả tốt hơn với hai tham số.
Jurg Schmidi và các cộng sự (2006) sử dụng sản phẩm từ số liệu tái phân tích của ECMWF, NCEP cho khu vực Châu Âu, trong đó có sử dụng chỉ số Bias với tần suất ngày ẩm và cường độ mưa. Các tác giả sử dụng phương pháp LOCI (Local intensity scalling). Kết quả cho thấy phương pháp hiệu chỉnh đã làm giảm sai số lớn trong sự phân bố tần suất giáng thủy. Tuy nhiên, hạn chế của phương pháp chưa cho kết quả tốt với phạm vi nhỏ cũng như việc ảnh hưởng của sai số địa hình. Phương pháp LOCI có kỹ năng tốt với GCMs. Tuy nhiên, có sự thay đổi lớn giữa các vùng khác nhau hay sự chuyển tiếp giữa các mùa [66].
S. C. van Pelt và các cộng sự (2012) tính toán sự biến đổi trong tương lai của các hiện tượng cực đoan liên quan đến mưa thông qua đánh giá kết quả mô phỏng của mô hình khí hậu khu vực và sử dụng chỉ số bias. Kết quả cho thấy sự phạm vi biến đổi trong tương lai của các hiện tượng cực đoan liên quan đến mưa dọc theo năm thành phần tổ hợp từ RCM tương đồng với kết quả nhận được từ việc tổ hợp mười ba thành phần của GCM. Ngoài ra, kết quả tổ hợp từ RCM cũng cho thấy hiệu quả giảm rõ rệt so với kết quả mô phỏng trực tiếp từ mô hình [98].
Một mô hình khác không được cung cấp rộng rãi như RegCM là mô hình REMO (Regional Model) của Viện Khí tượng thuộc Viện Max Planck, Cộng hòa Liên bang Đức. REMO cũng đã được ứng dụng rất thành công trong nhiều công trình nghiên cứu mô hình hóa khí hậu khu vực, và các kết quả đã được đăng trên nhiều tạp chí khoa học, trong đó như Tido Semmler và CS (2004) [110] sử dụng mô hình khí hậu khu vực REMO 5.1, với độ phân giải 0.50 để mô phỏng mưa lớn cho khu vực châu Âu. Kết quả cho thấy, mô hình đã tái tạo tốt được lượng mưa hiện tại,
còn khi dự tính cho tương lai, mô hình cho kết quả thiên cao (gấp đôi ở khu vực Baltich, còn ở các nơi khác cao hơn 1,5 lần). Ngoài ra các mô hình khác, như PRECIS, RSM, CMM5, CWRF,… cũng đã được ứng dụng thành công trong nghiên cứu mô phỏng khí hậu khu vực cũng như nghiên cứu biến đổi khí hậu. Kết quả chạy các mô hình khí hậu khu vực là các trường yếu tố khí hậu (trong trường hợp này là các trường mô phỏng quá khứ) và sự phân bố của chúng theo không gian, thời gian chi tiết hơn, đặc biệt đối với những nơi số liệu quan trắc còn thưa như các vùng núi cao, điều kiện khó khăn hoặc trên các vùng biển, đại dương.
Có thể nói, cho đến nay các mô hình AGCM, AOGCM, RCM đã luôn được quan tâm phát triển, qua đó đã đạt được những kết quả rất đáng khích lệ trong mô phỏng ở nhiều khía cạnh của khí hậu. Mặc dù kết quả về các mô phỏng giáng thủy, khí áp mực biển và nhiệt độ bề mặt nhìn chung đã được cải thiện tuy nhiên vẫn còn một số hạn chế nhất định, đặc biệt là đối với giáng thủy vùng nhiệt đới. Điển hình nhất là kết quả mô phỏng các hiện tượng khí hậu cực đoan (liên quan đến nhiệt độ cực trị) từ các AGCM, AOGCM, RCM đã được cải thiện một cách rõ nét, còn đối với giáng thủy, các mô hình nói chung vẫn cho mô phỏng thấp hơn thực tế trong hầu hết các hiện tượng cực đoan.
Như vậy, ta có thể thấy rằng việc nghiên cứu ECEs bằng các hệ thống mô hình dự báo khí hậu toàn cầu sẽ cho phép không chỉ mô phỏng lại các hiện tượng cực đoan mà còn cho phép dự báo được ECEs. Song song với việc ứng dụng các mô hình khí hậu quy mô toàn cầu là kỹ thuật lồng ghép để hạ quy mô bằng các mô hình khí hậu khu vực. Các nghiên cứu với hệ thống mô hình khí hậu khu vực có thể tái mô phỏng các hiện tượng có quy mô không gian, thời gian mà các mô hình toàn cầu không có khả năng nắm bắt được [Giorgi 1998]. Việc hạ quy mô này cho thấy khả năng mô phỏng, dự báo các hiện tượng cực đoan được chi tiết hơn, hay nói cách khác là các hiện tượng cực đoan ở quy mô khu vực sẽ được mô phỏng/dự báo chi tiết hơn khi sử dụng các sản phẩm hạ quy mô động lực từ các mô hình khí hậu khu vực. Đây cũng chính là luận cứ của luận án trong việc xây dựng các phương pháp phát hiện, dò tìm ECEs trong sản phẩm mô phỏng từ các mô hình khí hậu khu vực.